Lire avec l'IA : comment utiliser ChatGPT et Claude sans perdre en compréhension

Le paradoxe de la lecture avec l'IA

Vous pouvez demander à ChatGPT de résumer un reportage d'investigation de 10 000 mots en une dizaine de secondes. Vous « saurez » ce qu'il disait. Vous pourrez décrire la thèse, nommer les personnages principaux, peut-être énumérer trois enseignements. Vous vous sentirez informé.

Une semaine plus tard, si quelqu'un vous en parle, vous ne vous souviendrez presque de rien.

Comparez maintenant cela à un article que vous avez lu lentement l'année dernière. Vous avez surligné trois passages. Peut-être avez-vous dialogué avec l'auteur dans la marge. Deux ans plus tard, vous en citez encore des phrases. Vous pouvez retrouver le lien de mémoire. Les idées se sont glissées dans votre façon de penser.

Mêmes informations, résultats radicalement différents. Le paradoxe, c'est que l'IA rend la lecture plus rapide au moment précis où la rapidité cesse d'être ce dont nous avons besoin. Nous ne manquons pas de contenu. Nous manquons de compréhension, et la compréhension a un coût en temps minimal et tenace qu'aucun modèle ne peut compresser à votre place.

Ce n'est pas un procès contre l'IA. C'est un procès contre un mode d'échec précis : utiliser l'IA comme un remplacement de la lecture plutôt que comme un multiplicateur de la lecture. De l'extérieur, la différence semble minime. À l'intérieur de votre tête, c'est la différence entre apprendre et le théâtre de l'apprentissage.

Externalisation cognitive : ce que dit la recherche

La science sur ce point est plus ancienne que la vague actuelle de l'IA. En 2011, Betsy Sparrow, Jenny Liu et Daniel Wegner ont publié « Google Effects on Memory » dans Science. Ils ont mené quatre expériences et ont trouvé un schéma cohérent : lorsque les gens croyaient que l'information serait enregistrée sur un ordinateur, ils se rappelaient l'information elle-même moins précisément, mais se souvenaient mieux de l'endroit où la retrouver. La mémoire s'est déplacée du contenu vers le pointeur.

Barr, Pennycook, Stolz et Fugelsang ont prolongé ces travaux en 2015 avec « The Brain in Your Pocket », montrant qu'un usage plus intensif du smartphone était corrélé à de moins bonnes performances dans les tâches de pensée analytique, en particulier lorsque les problèmes exigeaient de passer outre une réponse intuitive erronée. Storm, Stone et Benjamin (2017) ont retrouvé des schémas similaires pour le stockage externe et l'encodage : sauvegarder quelque chose à l'extérieur réduisait la profondeur avec laquelle l'information était traitée à l'intérieur.

Puis l'IA générative est arrivée et a amplifié l'effet.

Lee, Sarkar et leurs collègues (2025) chez Microsoft Research et Carnegie Mellon ont interrogé 319 travailleurs du savoir dans une étude intitulée « The Impact of Generative AI on Critical Thinking ». Le résultat qui a fait les gros titres : une plus grande confiance dans l'IA était corrélée à un moindre effort de pensée critique. Quand les utilisateurs faisaient confiance au modèle, ils cessaient d'interroger ses sorties. Quand ils s'en méfiaient, ils s'impliquaient davantage. Les chercheurs ont qualifié cela de passage de « l'exécution de tâches à la supervision de tâches », mais la supervision ne fonctionne que si l'on dispose encore des connaissances du domaine pour repérer les erreurs.

L'article de Michael Gerlich publié en 2025 dans Societies va plus loin. En interrogeant 666 participants, Gerlich a trouvé une forte corrélation négative entre l'usage fréquent d'outils d'IA et les scores de pensée critique, médiée par l'externalisation cognitive. Les participants les plus jeunes, qui s'appuyaient le plus sur l'IA, obtenaient les scores les plus bas aux mesures de raisonnement indépendant.

Le mécanisme est simple et biologiquement banal. Votre cerveau traite l'IA comme il traite n'importe quel autre support externe. Si vous ne vous engagez pas avec le contenu, vous ne l'encodez pas. Si vous ne l'encodez pas, vous ne vous en souvenez pas. Si vous ne vous en souvenez pas, vous ne pouvez pas penser avec. Mal lire avec l'IA n'est pas un échec de l'IA. C'est un échec à faire la partie que l'IA ne peut pas faire à votre place.

Pour un traitement plus long du piège cognitif, voyez notre article sur le piège de la pensée avec l'IA.

Quand l'IA aide : les trois feux verts

Rien de ce qui précède n'est un argument contre l'IA. C'est un argument contre un flux de travail précis. L'IA amplifie véritablement la lecture dans au moins trois situations, et toutes les trois partagent une propriété : elles se produisent après que vous vous êtes engagé vous-même avec le texte.

Clarification. Vous lisez un article sur les mécanismes d'attention et vous bloquez sur une ligne concernant la normalisation softmax. Demander à Claude d'expliquer ce concept précis dans le contexte de ce que vous avez déjà lu est véritablement utile. Cela vous débloque. Cela augmente votre engagement avec le reste de l'article au lieu de le remplacer. C'est toujours vous qui faites la lecture.

Synthèse entre des sources que vous avez réellement lues. Vous avez lu cinq articles sur le travail à distance au cours du dernier mois. Vous avez surligné des passages dans chacun. Demander à une IA de trouver des tensions, des contradictions ou des recoupements inattendus à travers ces surlignages est une tâche qu'elle fait bien et que vous ne feriez probablement pas manuellement. La clé, c'est que vous avez fait la lecture. L'IA opère sur un matériau que vous avez digéré, elle ne se substitue pas à la digestion.

Exercice socratique sur vos propres notes. Prenez vos surlignages d'un livre et demandez à l'IA de vous interroger dessus. Demandez-lui d'argumenter contre l'auteur. Demandez-lui ce qu'un critique raisonnable dirait. Vous utilisez le modèle comme un partenaire d'entraînement bon marché et patient, ce qui est l'une des choses pour lesquelles il est véritablement le meilleur. Cela se rapproche de ce que le RAG personnel sur vos notes permet à grande échelle.

Remarquez le schéma. Dans les trois cas, vous apportez la lecture, l'IA apporte l'étendue conversationnelle. Votre compréhension grandit. L'IA ne prétend pas être vous.

Quand l'IA nuit : les trois feux rouges

Le schéma inverse est partout parce qu'il est plus facile, et le plus facile gagne presque toujours à court terme.

Résumé en pré-lecture. Vous voyez un long article. Au lieu de le lire, vous le collez dans ChatGPT et demandez un résumé. Vous lisez le résumé. Vous vous dites que vous retournerez plus tard à l'article complet. Vous n'y retournez pas. Vous disposez désormais d'une version compressée, décontextualisée, potentiellement hallucinée du travail de quelqu'un d'autre, et d'un faux sentiment d'avoir rencontré sa pensée. Pire, vous avez sauté toute la texture : les exemples précis, les signaux de ton, les passages qui vous auraient marqué.

Condensé en une seule requête de longs documents. « Résume ce rapport de 50 pages. » La sortie est correcte. C'est aussi du théâtre de la compréhension. Vous citerez le rapport en réunion. Quelqu'un posera une question précise. Vous réaliserez que vous n'en avez aucune idée, parce que le résumé a justement compressé le détail qui importait.

Paraphrase mot pour mot dans votre propre pensée. Vous demandez à l'IA son point de vue. Vous absorbez son cadrage. Vous commencez à répéter sa formulation comme si elle était la vôtre. Ce n'est pas du plagiat au sens juridique, mais c'est une forme de plagiat cérébral. Vous vous retrouvez avec des positions auxquelles vous n'êtes pas parvenu, à les défendre avec des arguments que vous n'avez pas construits. Quand on vous les conteste, vous ne pouvez pas les défendre en profondeur parce que vous n'avez jamais bâti la charpente.

Voici une matrice de décision que vous pouvez réellement utiliser.

Gardez le tableau sous la main. La plupart des mauvaises habitudes de lecture avec l'IA viennent du fait de sauter ce contrôle et de passer par défaut à « résume ».

Le problème des hallucinations dont personne ne veut parler

Au-delà du coût cognitif, il y a un coût factuel. Les LLM fabriquent avec assurance. Citations, dates, extraits, statistiques, et parfois des articles entiers qui n'existent pas.

Les travaux de 2024 de Stanford HAI sur les outils d'IA juridique (Magesh et al., « Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools ») ont testé Westlaw AI et Lexis+ AI et trouvé des taux d'hallucination entre 17 et 33 pour cent sur des requêtes juridiques spécifiques au domaine, même dans des produits commercialisés comme augmentés par récupération. Sur les modèles généralistes, les taux concernant les citations rapportées se situent entre 15 et 40 pour cent selon le domaine, le style de requête et la manière dont l'« hallucination » est strictement définie. Une étude de 2023 sur les questions-réponses médicales de Pal, Umapathi et Sankarasubbu (« Med-HALT ») a trouvé des ordres de grandeur similaires.

Cela importe pour la lecture parce que la lecture est, entre autres, une activité de vérification des faits. Si votre rencontre avec une idée est filtrée par une IA qui a inventé avec assurance la citation à l'appui, vous ne lisez pas. Vous consommez un synopsis légèrement contaminé.

Une implication pratique : toute affirmation que vous tirez d'un résumé d'IA et que vous prévoyez d'utiliser pour écrire, enseigner ou argumenter doit être vérifiée à la source. C'est pourquoi le protocole « IA en dernier » ci-dessous place la vérification à l'étape quatre plutôt que de faire confiance au modèle dès l'étape un.

Le protocole de lecture IA en dernier

Voici le flux de travail qui tend à produire une compréhension réelle plutôt que la sensation de compréhension. Il comporte quatre étapes, et l'ordre importe davantage que le contenu de chaque étape.

Étape 1 : lisez d'abord. Même dix minutes. Surlignez trois ou quatre éléments qui vous frappent : affirmations surprenantes, passages déroutants, phrases que vous pourriez réutiliser plus tard. Le surligneur web de Glasp est conçu pour cela, car vos surlignages persistent et peuvent alimenter l'étape 3.

Étape 2 : résumez vous-même. Deux phrases suffisent. C'est l'étape d'encodage. La friction d'écrire deux phrases, c'est là que la mémoire se forme réellement. Sautez cette étape, et vous ratez l'essentiel.

Étape 3 : posez à l'IA des questions précises. Pas « résume ceci ». Plutôt : « Que veut dire l'auteur par X dans la troisième section ? » « Comment cela se compare-t-il à l'argument de Sparrow 2011 que j'ai surligné le mois dernier ? » « Quelle est la contestation la plus forte de l'affirmation dans mon deuxième surlignage ? » C'est là que le chat IA de Glasp devient utile, parce que l'IA travaille sur votre matériau surligné, pas sur un collage générique.

Étape 4 : vérifiez. Si vous allez citer une statistique, invoquer une étude ou vous appuyer sur une date, ouvrez la source et confirmez. À chaque fois. Oui, à chaque fois. Pour comprendre pourquoi cela vaut la friction, voyez notre article sur l'assistant de lecture IA.

Le protocole inverse le schéma courant. La plupart des gens font de la lecture IA-first : requête, survol, peut-être retour. La lecture IA en dernier fait de l'IA la dernière étape, pas la première. Cela prend un peu plus de temps, et vous retenez énormément plus.

Utiliser correctement la stack IA de Glasp

Glasp est conçu autour de l'hypothèse IA en dernier, même s'il vaut la peine d'expliquer comment les outils s'emboîtent.

Le surligneur web de Glasp est l'étape 1. Vous lisez, vous surlignez, et les surlignages sont stockés, indexés et consultables. C'est la couche « engagement d'abord », et sans elle les étapes suivantes n'ont rien sur quoi s'appuyer.

Le chat IA de Glasp est l'étape 3. Il opère sur vos surlignages, pas sur un texte arbitraire que vous auriez collé. Ce choix de conception est volontaire. Le chat est le plus fort quand il synthétise, questionne et recoupe un matériau que vous avez déjà digéré. Il est le plus faible quand vous lui demandez de remplacer la lecture, et le produit ne prétend pas le contraire.

YouTube Summary est une étude de cas utile pour bien faire. Vous pouvez générer le résumé d'une vidéo, mais le meilleur usage n'est pas « regarder le résumé au lieu de la vidéo ». C'est « regarder la vidéo, surligner les moments qui comptent, puis utiliser le résumé et la transcription pour retrouver des sections précises ». Le résumé devient un outil de récupération, pas un substitut au visionnage.

Le surligneur PDF de Glasp et les surlignages Kindle étendent le même schéma à la lecture longue. Les surlignages se retrouvent dans votre bibliothèque. Plus tard, vous pouvez discuter avec vos notes à travers chaque livre que vous avez lu, ce qui est le type de synthèse qui était véritablement impossible il y a cinq ans.

Et parce que Glasp est un lecteur social, vous pouvez aussi voir ce que d'autres ont surligné dans le même texte. C'est une autre sorte de couche adjacente à l'IA, un signal de curateur humain, et c'est étonnamment utile pour capter ce qu'un lecteur attentif a remarqué et que vous avez manqué.

Études de cas : deux étudiants, deux lecteurs

Des exemples concrets rendent l'abstrait concret.

Les deux étudiants. Maya et Jun sont dans le même séminaire de master. Maya utilise Claude pour résumer chaque article assigné avant le cours. Elle arrive avec des points de discussion nets. Jun lit les articles, surligne ce qu'il trouve intéressant, rédige des résumés de deux phrases avec ses propres mots, puis demande à Claude ce qu'il a manqué et si son interprétation de la section méthodes est correcte. Lui aussi arrive avec des points de discussion, mais il a passé environ deux fois plus de temps à y arriver.

À la fin du semestre, ils passent le même examen global. Maya se souvient des cadrages de l'IA, pas des articles. Quand l'examen lui demande de critiquer une méthodologie qu'elle est censée avoir lue, elle peine parce qu'elle n'a jamais vraiment rencontré les détails. Jun s'en sort mieux, non parce qu'il est plus intelligent, mais parce qu'il a construit une charpente. Deux ans plus tard, Jun cite encore ces articles. Maya ne se souvient plus des titres.

Les deux lecteurs. Priya et Sam lisent tous deux largement pour leur travail. Priya fait générer par ChatGPT des résumés de livres au lieu de lire les livres, parce qu'elle est occupée. Elle « lit » 40 livres par an de cette façon. Sam lit 12 livres, surligne beaucoup dans Glasp et utilise le chat IA de Glasp pour trouver des schémas à travers ses surlignages tous les quelques mois.

Priya parle des livres de façon superficielle et interchangeable, parce que les résumés qu'elle a ingérés étaient superficiels et interchangeables. Sam peut vous dire quel auteur a dit quoi, en quoi deux auteurs sont en désaccord, et sur quel point sa propre pensée a évolué. Il a lu moins de livres et en a compris davantage. C'est à cela que ressemble se souvenir de ce qu'on lit en pratique.

La leçon n'est pas que l'IA est mauvaise. C'est que l'IA amplifie ce que vous y mettez. Mettez-y de l'engagement, vous obtenez une compréhension amplifiée. N'y mettez rien, vous obtenez du rien amplifié.

Ce que cinq ans de lecture IA-native pourraient nous faire

Spéculation, mais spéculation ancrée.

Les calculatrices n'ont pas détruit les mathématiques, mais elles ont déplacé ce en quoi les gens sont bons. La plupart des adultes d'aujourd'hui ne peuvent pas poser une division mentalement aussi aisément que leurs grands-parents. Le GPS n'a pas détruit la navigation, mais la recherche sur la mémoire spatiale (Dahmani et Bohbot, 2020) montre que les personnes qui s'appuient fortement sur les indications tournant-par-tournant construisent des cartes cognitives plus faibles de leurs propres villes.

La lecture porte une charge cognitive plus importante que l'arithmétique ou la navigation. C'est la manière dont nous pensons avec les idées des autres à travers le temps. Si une génération grandit en externalisant à un LLM la première rencontre avec chaque texte, le résultat probable n'est pas l'illettrisme. C'est quelque chose de plus étrange : une population qui « sait ce que les livres disaient » à un niveau superficiel, mais qui ne peut pas penser avec les idées, parce qu'elle ne les a jamais intériorisées. Elle peut citer le résumé. Elle ne peut pas argumenter avec l'auteur. Pour une vue plus large de ce que cette tendance pourrait faire à l'apprentissage, voyez l'impact de l'IA sur l'apprentissage.

Ce n'est pas inévitable. Les calculatrices coexistent avec l'enseignement des mathématiques. Le GPS coexiste avec des gens qui connaissent encore leur quartier. La question est de savoir si la lecture avec l'IA coexiste avec la lecture profonde, ou si l'option la moins coûteuse évince par défaut la plus lente.

La voie à suivre est surtout individuelle. Il s'agit d'adopter un protocole qui garde l'IA utile sans la laisser s'emparer des parties de la lecture qui sont vous. C'est tout ce que cet article essaie de défendre.

Questions fréquentes

Utiliser ChatGPT pour résumer un article est-il mauvais pour l'apprentissage ?

Si vous lisez le résumé au lieu de l'article, oui. Si vous lisez l'article, rédigez votre propre résumé, puis utilisez ChatGPT pour vérifier votre compréhension ou combler des lacunes, non. L'ordre importe plus que l'outil.

Quelle est la meilleure façon d'utiliser l'IA pour lire des articles de recherche ?

Lisez vous-même le résumé et l'introduction. Survolez la méthodologie. Lisez la discussion. Surlignez ce que vous ne suivez pas. Puis utilisez l'IA pour expliquer les parties surlignées, comparer l'article à d'autres que vous avez lus, et mettre à l'épreuve votre interprétation. Ne citez jamais une statistique issue d'un résumé d'IA sans vérifier la source, car les taux d'hallucination sur les citations sont élevés.

Les résumés d'IA hallucinent-ils des détails importants ?

Souvent. Les travaux de 2024 de Stanford HAI ont trouvé des taux d'hallucination de 17 à 33 pour cent même dans les outils d'IA juridique augmentés par récupération. Les chatbots généralistes varient de 15 à 40 pour cent sur les citations selon le domaine. Traitez toute spécificité générée par l'IA (une date, une citation, une statistique, une référence) comme non vérifiée jusqu'à ce que vous ayez consulté la source.

Devrais-je utiliser l'IA pour expliquer les concepts que je ne comprends pas ?

Oui, c'est l'un des usages les plus solides. La clarification augmente l'engagement avec la source au lieu de la remplacer. Soyez précis dans votre requête. « Explique softmax dans le contexte du mécanisme d'attention que je viens de surligner » fonctionne mieux que « explique l'attention ».

La lecture assistée par IA est-elle différente de la lecture avec l'IA ?

Cela peut l'être, même si les deux expressions se recoupent. « Lire avec l'IA » dans cet article signifie utiliser l'IA comme compagnon de votre propre lecture, selon le schéma IA en dernier décrit ci-dessus. Dans certains supports marketing, « lecture assistée par IA » signifie en réalité lecture IA-first, où le modèle produit un condensé et où vous consommez le condensé. La distinction tient à savoir si c'est toujours vous qui faites la lecture.

Le chat IA sur mes surlignages aide-t-il ou nuit-il à la rétention ?

Il aide, à condition que les surlignages proviennent d'un véritable engagement avec la source. Si vous avez surligné mécaniquement ou demandé à une IA de surligner à votre place, vous synthétisez à partir d'un matériau superficiel et vous obtiendrez une synthèse superficielle. Si vous avez surligné ce qui vous a frappé pendant la lecture, discuter à travers ces surlignages est l'un des usages les plus à fort levier de l'IA pour l'apprentissage aujourd'hui. Des outils comme le chat IA de Glasp sont conçus autour de cette boucle.

Conclusion

L'IA peut faire de vous un meilleur lecteur ou un oubli plus rapide. L'outil ne décide pas. Vous, oui, par l'ordre dans lequel vous l'utilisez.

Lisez d'abord. Surlignez ce qui vous frappe. Résumez vous-même, même brièvement. Faites ensuite intervenir l'IA pour clarifier, synthétiser et questionner. Vérifiez tout ce que vous prévoyez d'utiliser. Cela fait deux ou trois minutes de plus par article, et c'est la différence entre savoir quelque chose et jouer le savoir.

Si vous voulez essayer le flux de travail IA en dernier en pratique, le surligneur web de Glasp couplé au chat IA de Glasp est conçu précisément pour cette séquence. Surlignez un texte aujourd'hui. Rédigez-vous un résumé de deux phrases. Puis demandez à l'IA ce que vous avez manqué. Une semaine plus tard, vérifiez si vous vous souvenez encore de son sujet. C'est le seul test qui compte.